GPT-6 丝滑「上身」宇树 G1，斯坦福把机器人控制链封装成了一套「专属 API」

空间记忆接导航，视觉伺服接抓取，全身运动负责落地。

作者丨郑佳美

编辑丨岑 峰

这两天，斯坦福大学 The Movement Lab 和加州理工学院公开了一个有趣的研究项目 HomeBody。

团队把 GPT Astra 接进 Unitree G1，让人形机器人先自己探索陌生厨房，再根据人的指令完成找东西、拿药、扔垃圾和开抽屉等连续任务。

这并不是简单给 G1 加一个大模型助手。机器人事先不知道物体具体放在哪里，它需要在探索过程中记录环境和空间位置，任务开始后再从历史信息里找回目标，决定去哪、找什么，以及接下来调用哪个技能。

更关键的是，GPT Astra 并不直接控制关节。导航、轨迹规划、碰撞检测、视觉伺服和全身控制依旧运行在机器人本地，大模型负责的是任务理解、技能选择和失败后的重新决策。

在全行业都在卷端到端大模型直接吐动作（VLA）的当下，但 HomeBody 项目显然给出了相反的答案。它试图回答具身智能一个充满争议的 核心问题：当 VLM 已经能理解环境、调用技能并处理长任务以后，语言到动作之间那层原本很重的任务策略，还需要保留多少？

把机器人控制链做成标准化接口、用分层治理抗衡端到端，会是具身智能走向实用化的最优工程解法吗？

HomeBody 后面的整套架构设计，正是沿着这个追问展开的。

01

一套机器人 API

这套系统往前走的一步，并不是把 GPT Astra 接到 G1 的关节控制器上，而是重新设计了大模型和机器人身体之间的接口。

Astra 每次做完判断后，会通过结构化 tool call 选择一个技能，同时给这个技能提供它真正需要的参数。

不同动作对应不同的命令空间：Pick 接收当前图像中一个归一化到 0–1000 的二维点，再指定左手或右手，Navigate 接收地图坐标系里的二维目标点和朝向点。

Place 使用机器人躯干坐标系中的三维释放位置、执行手以及释放距离。抽屉操作则把视觉对准、挂住把手和向后行走封装成一个完整技能。

这里的设计很关键，因为它刻意不让 VLM 输出机械臂末端的连续轨迹。大模型只在语义空间里表达我要操作哪个目标，技能接口再把这个意图逐层变成机器人能够执行的几何约束。

这样一来，Astra 不需要理解 G1 的每个自由度，也不需要知道逆运动学求解器怎么工作，它只需要知道当前有哪些能力，以及每种能力需要什么参数。

这和端到端 VLA 的区别也就在这里。VLA 通常需要学习从视觉和语言直接映射到动作空间，动作分布、机器人本体和训练数据会紧密耦合。

这里把中间层拆成显式接口后，抓取可以由解析方法实现，导航可以接传统规划器，某个新技能也可以来自强化学习策略。只要输入输出遵循同一套协议，上层 VLM 并不需要知道底层究竟用了哪种控制方法。

这种设计把机器人扩展能力的难点从重新训练整条策略，转移到了接口本身能不能表达任务需要的状态。随后麻烦很快就出现了：二维图像点可以告诉 Pick 抓什么，却无法告诉 Navigate 几分钟前看到的药瓶究竟位于房间哪一侧。

一旦任务跨越多个房间位置，VLM 就不能只依赖当前相机画面，它需要把视觉语义和真实世界的米制坐标接起来。

02

把视觉历史放进统一坐标系

G1 在执行任务前先探索环境，技术意义就在这里。

探索过程中，系统同步保存相机观测、D435i 双目数据、LiDAR 与 SLAM 信息、机器人关节姿态，以及 Astra 选择过的航点。

随后，Astra 参与 Real2Sim 流程，把这些观测整理成 Isaac Sim 中的数字环境。SLAM 提供实测几何约束，视觉数据补充物体和场景语义，关节状态与航点则把观测重新绑定到机器人自身视角。

这一步解决的是两个坐标体系之间的断裂。

VLM 看到的是图像坐标，例如药瓶曾经出现在某张照片右下方；机器人导航需要的却是地图坐标，例如目标位于当前身体前方 4.2 米、左侧 1.1 米。单纯保存历史图片无法直接完成这种转换。

系统运行时先通过 Super Odometry 得到 G1 在现实 SLAM 地图中的状态，再利用 ICP，也就是 Iterative Closest Point，把 SLAM 点云与 Isaac Sim 中的重建环境配准。完成配准以后，现实地图和数字环境共享一套空间关系，探索阶段保存的 ego keyframe 也能绑定到这个坐标系。

于是，空间记忆实际上被拆成了两层。

一层是语义记忆，保存某张关键帧里出现了什么；另一层是度量几何，保存拍摄这张图时机器人位于哪里。收到拿药任务后，Astra 可以先从历史观测里恢复药瓶或抽屉对应的视觉线索，再沿着绑定的空间位置让 Navigate 返回此前记录过的区域。

这比把几十张历史图片直接塞进 VLM 上下文稳定得多。语言模型擅长判断某个物体和任务有没有关系，但机器人要走过去，还需要尺度、方向和可达区域。HomeBody 把这部分交给 SLAM 和 Real2Sim，让 VLM 操作的是已经被空间化的记忆。

Real2Sim 在这里承担的也不只是场景重建。官方给出的对比显示，仅靠人工拍摄视频进行重建时，房间尺寸需要根据视觉外观估计；加入机器人自身采集的 SLAM 几何以后，房间布局和尺度受到实测点云约束，数字环境才适合继续给导航和空间推理使用。

不过，这套空间记忆主要解决的是目标已经离开视野以后怎么重新找到它。机器人真正走到抽屉前，问题会从米级导航突然收缩到厘米级操作：三维位置稍微偏一点，手就可能从瓶子旁边擦过去。

因此下一层不能再靠地图处理，需要把二维视觉、深度恢复、机械臂规划和在线纠偏接成另一条闭环。

03

从一个图像点到抓住物体

Pick 技能的输入非常简单：Astra 给出图像中一个 0–1000 范围的二维点，并指定使用哪只手。

但这个二维点不能直接驱动机械臂。系统先用该点提示分割模块，把目标从背景中切出来，随后 Fast-FoundationStereo 根据 D435i 的双目图像计算深度。

得到目标区域的深度以后，再利用相机标定关系，把 mask 内的像素从相机坐标投影成三维几何，系统据此通过解析方法生成抓取姿态。

接下来进入运动规划。机械臂从当前姿态移动到抓取姿态时，规划器生成 spline reference，并使用 minimum-jerk timing 约束轨迹，让速度和加速度变化保持平滑。

然后沿轨迹逐点求逆运动学，同时检查整条 swept motion 的碰撞间隙。换句话说，系统检查的不是终点会不会撞，而是机械臂从起点移动到终点扫过的整个体积是否安全。

但这种离线规划仍然解决不了运动过程中的视觉漂移。

人形机器人靠近桌子时，身体本身会移动，头部相机的视角也会改变。最初投影得到的三维目标即使只偏几厘米，也足以让抓取失败。系统因此继续使用 SAM 2.1 跟踪目标，并结合 SAMURAI 的 memory selection 维持跨帧目标状态，再通过 visual servoing 根据新的视觉位置持续修正接近方向。

这里出现了一个很重要的闭环分层。小范围视觉误差直接由 servo loop 修正；机械手闭合却没有建立接触时，Pick 技能可以换一个 grasp candidate，或者改变机器人站位后重新规划；这些尝试有明确的次数边界。

只有局部恢复已经无法处理，技能才会把失败原因返回 Astra，让 VLM 决定重新定位、换目标或者调整任务顺序/大模型因此没有进入每一次纠偏。

它负责的是离散任务状态转移，本地模块负责连续状态稳定。两者时间尺度也完全不同：手臂和手部控制命令运行在 250 Hz，AMO 每 5 个控制 tick 更新一次，相当于 50 Hz。

GPT Astra 的远端推理则处在秒级。把三种尺度硬塞进同一个策略里，网络抖动和模型推理时间会直接影响身体控制；现在它们被分开以后，大模型停顿主要发生在技能切换处。

抽屉操作则把这种分层推到了全身控制。机械手挂住把手后，如果只让手臂向后移动，很快就会遇到工作空间和身体平衡限制。

系统会让机器人向后走，同时维持上肢操作目标。这里使用的 AMO 本身是一套将 Sim2Real 强化学习和轨迹优化结合起来的全身控制框架，训练目标之一就是让 G1 在面对超出常规分布的上肢目标时，仍然能够通过下肢和躯干调整扩大可操作空间。

到这一步，整套技术链才真正闭合：VLM 输出任务级目标，空间记忆把历史视觉变成地图位置，感知模块把二维目标恢复成三维几何，规划器生成可执行轨迹，视觉伺服吸收局部误差，全身控制器再负责让这些动作在真实 G1 上保持稳定。

04

机器人内部的接口层

这套系统目前还有很明显的工程边界。Real2Sim 会增加部署准备和 API 成本，Astra 的远端推理会在技能之间产生停顿，本地感知和规划目前需要一台 RTX 4090 笔记本运行，更重的视觉模型会继续推高计算需求。

长时间任务还受到机械臂工作空间、手部舵机发热以及硬件耐久度限制。更大的问题来自技能覆盖范围。

Astra 可以重新安排 Pick、Place、Navigate 和 Open Drawer，却不能仅靠语言推理生成一种从未实现过的接触动力学。技能库没有擦桌子，就无法因为一句指令自动获得稳定的擦拭控制；没有处理柔性物体的控制器，也不能靠上层规划弥补底层能力空缺。

但这种限制反过来也说明了它的架构方向。这里没有要求一个 VLA 同时学习空间记忆、任务分解、三维视觉、抓取、碰撞规避和全身动力学，而是把这些问题拆成各自适合的表示和控制频率，再通过显式接口连接起来。

VLM 面对的是技能和状态，SLAM 面对的是几何空间，视觉模型面对的是像素与深度，运动规划器面对的是轨迹约束，AMO 面对的是整具身体的动力学。

人形机器人因而开始出现一种更接近复杂软件系统的结构：高层模型负责离散决策，空间系统维护外部状态，技能提供标准化调用接口，高频控制层承担物理稳定性。

HomeBody 目前展示的能力还有限，但它提出的问题已经很具体。

接下来具身智能的竞争可能不只是谁能训练出更大的动作模型，还包括谁能设计出更合理的技能接口、更稳定的空间状态表示，以及更清晰的高低频控制边界。

https://tml.stanford.edu/homebody/

https://github.com/Stanford-TML/homebody

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。